Группа математиков лаборатории им. П.Л. Чебышева СПбГУ разработала методику распознавания запахов на основе классификаторов LDA/QDA (линейный / квадратичный дискриминантный анализ, методы классификации в машинном обучении). Важной особенностью работы является расчет на определение запахов в режиме, приближенном к реальному времени. Определение появления нового запаха должно происходить за несколько минут.
Методика была протестирована на измерениях для пяти запахов: два спирта (метанол и этанол), ацетон, аммиак и вода (влажный воздух). Температура и влажность среды оставались постоянными.
При обучении модели производится разметка данных. Результат показывает высокий потенциал QDA/LDA методов для поставленной задачи.
Результаты распознавания появляются в режиме реального времени. Важнейшей метрикой качества распознавания является полнота (recall). Для одного класса это отношение количества правильно распознанных алгоритмом данных этого класса к общему количеству данных этого класса; эта метрика показывает, насколько полным является результат распознавания. Поскольку в данной задаче важно точно различать наличие газа и его вид, эта метрика является важнейшей.
Средняя полнота на тестовых данных составила 0.89, что для тестовых данных является хорошим результатом. Алгоритм нестабильно распознает первые напуски аналитов. Наиболее частые ошибки алгоритма: этанол принимается за метанол и не распознается ацетон.
Планируются оптимизации алгоритма для улучшения качества распознавания, а также использование для распознавания запахов принципиально иных алгоритмов машинного обучения и нейронных сетей.
Методика была протестирована на измерениях для пяти запахов: два спирта (метанол и этанол), ацетон, аммиак и вода (влажный воздух). Температура и влажность среды оставались постоянными.
При обучении модели производится разметка данных. Результат показывает высокий потенциал QDA/LDA методов для поставленной задачи.
Результаты распознавания появляются в режиме реального времени. Важнейшей метрикой качества распознавания является полнота (recall). Для одного класса это отношение количества правильно распознанных алгоритмом данных этого класса к общему количеству данных этого класса; эта метрика показывает, насколько полным является результат распознавания. Поскольку в данной задаче важно точно различать наличие газа и его вид, эта метрика является важнейшей.
Средняя полнота на тестовых данных составила 0.89, что для тестовых данных является хорошим результатом. Алгоритм нестабильно распознает первые напуски аналитов. Наиболее частые ошибки алгоритма: этанол принимается за метанол и не распознается ацетон.
Планируются оптимизации алгоритма для улучшения качества распознавания, а также использование для распознавания запахов принципиально иных алгоритмов машинного обучения и нейронных сетей.
